論文の概要: DIPHINE: Diffusion-based $Φ$-ID Neural Estimator

• arxiv url: http://arxiv.org/abs/2606.18997v1
• Date: Wed, 17 Jun 2026 12:24:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.159499
• Title: DIPHINE: Diffusion-based $Φ$-ID Neural Estimator
• Title（参考訳）: DIPHINE:Diffusion-based $ $-ID Neural Estimator
• Authors: Simon Pedro Galeano Munoz, Mustapha Bounoua, Giulio Franzese, Pietro Michiardi, Maurizio Filippone,
• Abstract要約: 統合情報分解(Integrated Information Decomposition)(ID)は、多変量系の情報力学を16個の非重複原子に分解するフレームワークである。 そこで我々は、スコアベース拡散モデルを利用した最初の神経推定器であるDIPHINEを提案し、1つのアモータイズされたネットワークからIDが要求する全ての相互情報条件を推定する。 本研究は, 合成ベンチマーク上での地中原子の正確な回収, 確立された相互情報推定器よりも優れた性能, 実データを含むアプリケーション上での生理学的に解釈可能な情報力学構造を抽出できることを実証する。
• 参考スコア（独自算出の注目度）: 18.25314945977125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncovering the true informational architecture of real-world complex systems requires disentangling how their components uniquely store, redundantly share, and synergistically integrate information over time. Integrated Information Decomposition ($Φ$ID) is a framework for decomposing the information dynamics of multivariate systems into sixteen non-overlapping atoms that characterize redundant, unique, and synergistic modes of information storage, transfer, and integration. Existing methods to compute $Φ$ID are restricted to Gaussian or discrete systems, preventing its application to continuous non-Gaussian dynamical systems. We address this limitation by proposing DIPHINE (Diffusion-based $Φ$-ID Neural Estimator), the first neural estimator that leverages score-based diffusion models to jointly estimate all the mutual information terms required by $Φ$ID from a single amortized network, recovering the sixteen atoms through Möbius inversion. We provide a theoretical analysis of error propagation through the inversion, showing that the Jacobian of the mapping from mutual informations to atoms is integer-valued and that the synergy-to-synergy atom is provably the hardest to estimate. We demonstrate accurate recovery of ground-truth atoms on synthetic benchmarks, superior performance compared to established mutual information estimators, and the ability to extract physiologically interpretable information-dynamic structure on an application involving real data without any distributional assumptions.
• Abstract（参考訳）: 現実世界の複雑なシステムの真の情報アーキテクチャを明らかにするには、コンポーネントのユニークな格納方法、冗長な共有方法、シナジスティックな情報統合方法の分離が必要となる。 統合情報分解(Integrated Information Decomposition)は、多変量系の情報力学を16個の非重複原子に分解するフレームワークである。 既存の$$$IDを計算する方法はガウス系または離散系に限られており、非ガウス系の連続力学系への適用を妨げている。 この制限には、スコアベース拡散モデルを利用した最初のニューラル推定器であるDIPHINE(Diffusion-based $ $-ID Neural Estimator)を提案する。 本稿では, 相互情報から原子への写像のジャコビアンが整数値であり, シナジー-シネギー原子が最も推定が困難であることを示す。 本研究は, 合成ベンチマーク上での地中原子の正確な回収, 確立された相互情報推定器よりも優れた性能, 実データを含むアプリケーション上での生理学的に解釈可能な情報力学構造を抽出できることを実証する。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Explainable Multimodal Regression via Information Decomposition [27.157278306251772]
  部分情報分解(PID)に基づく新しい多モード回帰フレームワークを提案する。 本フレームワークは,予測精度と解釈可能性の両方において最先端の手法より優れ,効率的な推論のための情報モダリティ選択を可能にする。
  論文  参考訳（メタデータ） (2025-12-26T18:07:18Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• Neuro-Inspired Information-Theoretic Hierarchical Perception for Multimodal Learning [16.8379583872582]
  我々は,情報ボトルネックの概念を利用する情報理論階層知覚(ITHP)モデルを開発した。 我々は、ITHPがマルチモーダル学習シナリオにおいて重要な情報を一貫して蒸留し、最先端のベンチマークより優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-15T01:34:44Z)
• S$Ω$I: Score-based O-INFORMATION Estimation [7.399561232927219]
  S$Omega$I を導入し,システムに関する制約的な仮定を伴わずに初めて O-information を計算できるようにした。 本実験は, 実世界のユースケースにおけるS$Omega$Iの有効性を実証するものである。
  論文  参考訳（メタデータ） (2024-02-08T13:38:23Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Brain Image Synthesis with Unsupervised Multivariate Canonical CSC$\ell_4$Net [122.8907826672382]
  我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
  論文  参考訳（メタデータ） (2021-03-22T05:19:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。